音声AIはまだ「ChatGPTの瞬間」に達していない、業界幹部らが語る

音声が次の大きなインターフェースになるという理論は強力な勢いを増しており、投資家はモデルメーカーから企業向けカスタマーサービスプロバイダー、さらには会議のメモ作成ツールからAI駆動のディクテーションまで、幅広い分野で活動する音声AIスタートアップに数十億ドルを投じています。

毎週のように、人間のように聞こえ、人間のように会話できると主張する新しいモデルやツールがリリースされています。しかし、実際にはそうではないかもしれません。企業向け音声AIプラットフォームPolyAIのCTOであるShawn Wen氏は、あなた（ユーザー）の話を聞きながら話すことができるフルデュプレックスモデルがリリースされたにもかかわらず、音声AIにはまだ「ChatGPTの瞬間」が訪れていないと考えています。

「私たちはフルデュプレックスモデルの開発というマイルストーンに到達しました。次の課題は、推論を非常に高速にし、モデルが素早く回答を取得して会話が自然に感じられるようにすることです」と、彼は先月開催されたHumanXカンファレンスのステージで私に語りました。

彼はまた、カスタマーサービスのAIエージェントはロボットのように聞こえるべきではなく、問題を解決できるという十分な自信を電話をかけてきた人に与えるべきであるとも述べました。

「次の段階は少し異なると考えています。音声が十分に良くなり、顧客が最初の2、3回のやり取りを喜んで行ってくれれば、自信がつき始め、時間が経つにつれて、エージェントが自分の問題を解決できるのであれば、おそらく人間に話す必要はないと感じるようになるでしょう」と彼は言いました。

会議メモ作成ツールOtterのCMOであるAlex Gay氏は、話者の特定、意図の把握、そしてそれらを組織の知識と結びつけることが、自動化を可能にするための重要なステップであるとの見解を示しました。同社はまた、会議中の人物を代理するデジタルツインの開発にも取り組んでいます。その技術において、出力される音声が会議で人間と話しているのと同じ感情表現を提供することが極めて重要であると彼は述べました。

「今参加している会議について考えてみてください。最高の会話とは、討論や戦略的な議論ができ、その根底に関係性があると感じられるものです。アバターとそれができなければ、それはただの質疑応答チャットボットに過ぎません」とGay氏は指摘しました。

音声AIの理解と透明性

音声AIモデルは進化してきましたが、AIアシスタントがユーザーを理解できなかったり、会議メモ作成ツールが誤った書き起こしや要約を表示したりすることがよくあります。

Wen氏は、ASR（自動音声認識）モデルが重要なキーワードを見落とすことが多く、それが文脈全体を把握する上での問題を引き起こしていると考えています。

OtterのGay氏もこれに同意し、同社が書き起こしの精度向上に取り組み続けていると付け加えました。彼はまた、言語が音声モデルの改善が必要な分野の一つであるとも述べました。